KAIST는 생명화학공학과 이상엽 특훈교수 연구팀이 University of California San Diego 생명공학과 연구진과 함께 인공지능을 활용한 미생물 유전자 기능 발견을 획기적으로 가속할 수 있는 최신 연구 전략을 제시했다고 12일 밝혔다.
전장 유전체 해독 기술이 본격화된 2000년대 초반 이후 유전자 구성은 빠르게 규명됐지만, 상당수 미생물 유전자의 기능은 여전히 밝혀지지 않은 상태다. 유전자 기능 규명은 미생물 연구 분야의 대표적인 난제로 꼽혀왔다.
그동안 유전자 결실 실험과 발현 조절, 시험관 내 활성 측정 등 다양한 실험 기법이 활용됐으나, 대규모 실험의 한계와 복잡한 생물학적 상호작용, 실험 결과와 실제 생체 반응 간 차이로 인해 많은 시간과 비용이 소요됐다.
연구팀은 이러한 한계를 극복하기 위해 전산생물학과 실험생물학을 결합한 AI 기반 접근이 필수적이라고 강조했다. 이번 리뷰 논문에서는 기존 서열 유사성 분석부터 최신 심층학습 기반 AI 모델까지 유전자 기능 발견을 촉진해 온 다양한 전산생물학적 방법을 체계적으로 정리했다.
특히 단백질 3차원 구조 예측 기술은 유전자 기능 추정을 넘어 작동 원리 이해로 연구 범위를 확장하고 있다. 생성형 인공지능을 활용한 단백질 설계 기술은 원하는 기능을 가진 단백질을 직접 설계하는 단계로까지 발전하고 있다.
연구팀은 전사인자와 효소를 중심으로 유전자 서열 정보, 단백질 구조 예측, 메타유전체 분석을 결합한 다양한 응용 사례와 향후 연구 방향도 함께 제시했다.
아울러 유전자 기능 발견의 편향과 한계를 줄이기 위해 AI가 실험을 제안하는 ‘능동적 학습’ 기반 연구 프레임워크가 필요하다고 밝혔다. AI가 불확실성이 높은 예측을 선별해 실험을 안내하고, 그 결과를 다시 학습에 반영하는 방식이다.
이를 위해 자동화된 실험 플랫폼과 바이오파운드리 등 공유 연구 인프라와의 긴밀한 연계가 중요하다고 강조했다. 실험적으로 검증되지 않은 실패 데이터 역시 향후 연구를 위한 중요한 학습 자산으로 활용돼야 한다고 덧붙였다.
김기배 KAIST 박사는 “딥러닝 기반 예측 성능은 크게 향상됐지만 예측 결과의 근거를 생물학적으로 설명할 수 있는 해석 가능한 인공지능 모델 개발은 여전히 중요한 과제”라고 말했다.
이상엽 특훈교수는 “유전자 기능 발견의 한계를 넘어서기 위해서는 연구자의 지휘 아래 AI가 안내하는 체계적 실험 프레임워크와 자동화 연구 인프라의 결합이 핵심”이라며 “예측과 검증이 반복적으로 연결되는 연구 생태계 구축이 중요하다”고 강조했다.
이번 연구 성과는 네이처가 발행하는 생명공학 분야 학술지 ‘네이처 마이크로바이올로지’에 1월 7일 자로 게재됐다.
헬로티 이창현 기자 |
